通信輻射源指紋識別技術(shù)
加入技術(shù)交流群
2．3 通信信號指紋識別分類(lèi)器
在統計模式識別中，分類(lèi)器即分類(lèi)算法的基本任務(wù)是根據某一準則把一個(gè)給定的由特征向量表示的輸入歸入到一個(gè)適當的特征類(lèi)別，即實(shí)現從特征空間到?jīng)Q策空間的轉換，從而完成特征類(lèi)的分類(lèi)任務(wù)。
目前常用的分類(lèi)器是基于統計決策理論的參數和非參數分類(lèi)算法，如線(xiàn)性和廣義線(xiàn)性決策函數，k-最近鄰算法(K-NN)，二元分類(lèi)樹(shù)等。如果待識別特征的概率密度函數已知或可以通過(guò)樣本得到精確估計，那么這些分類(lèi)算法可以得到最佳識別性能，但是在通信信號指紋識別問(wèn)題中，這些條件很難滿(mǎn)足，傳統分類(lèi)器難以獲得滿(mǎn)意的個(gè)體識別性能。主要缺點(diǎn)是識別率低、穩健性差。
決策理論的發(fā)展克服了傳統分類(lèi)器的不足，提出了更先進(jìn)的不確定性推理理論，在此基礎上，分類(lèi)器識別性能得到了顯著(zhù)提高。其中，神經(jīng)網(wǎng)絡(luò )分類(lèi)器作為一種先進(jìn)的自適應、非參數和非線(xiàn)性分類(lèi)器。為進(jìn)行信號模式識別開(kāi)辟了一條新途徑。神經(jīng)網(wǎng)絡(luò )是一種以自組織、自適應和大規模分布式并行計算為特征的非線(xiàn)性信號處理系統，具有強大的模式識別分類(lèi)和泛函逼近能力，并具有良好的容錯性。
組合分類(lèi)器是近年來(lái)提出的一個(gè)新課題，指通過(guò)一個(gè)組合器對不同分類(lèi)器的輸出作第二次判決，由于融合了多個(gè)分類(lèi)器的決策，所以可以得到更好的分類(lèi)性能，而其中的每個(gè)分類(lèi)器都不要求是最優(yōu)的，為通信信號的識別提供了新途徑。
3 一種基于證據理論的個(gè)體識別方案
文中對通信信號指紋的研究主要采用“機理研究-特征分析-特征提取-分類(lèi)實(shí)驗”的方法，其中由于實(shí)際通信信號信噪比變化范圍大，容易導致識別率下降，直接影響分類(lèi)器的分類(lèi)性能?；贒-S證據組合原理進(jìn)行分類(lèi)器設計，可以由不同類(lèi)別指紋特征參量集進(jìn)行特征提取，下面給出一種基于證據理論組合分類(lèi)器的輻射源個(gè)體識別的設計方法，其結構如圖2所示。本文引用地址：http://dyxdggzs.com/article/155187.htm
對于接收到的通信信號，首先通過(guò)通信信號預處理，再進(jìn)行指紋特征提取，通過(guò)確立通信信號的載頻、調制參數及雜散成分特性為穩態(tài)信號指紋，可以對上述特征運用時(shí)域、頻域分析方法和現代時(shí)頻域和高階譜方法進(jìn)行特征分析提取。在分類(lèi)器設計方面，第一級分類(lèi)器可以選用特征參數值域判別法、信號模本匹配識別法等方法實(shí)現第一級分類(lèi)，第二級采用并行組合分類(lèi)器，這樣將高維特征空間的判分問(wèn)題轉化為針對不同低維空間進(jìn)行劃分的問(wèn)題，再對第一級分類(lèi)器的輸出作第二次判決。這樣，融合了多個(gè)分類(lèi)器的決策，能夠獲得較好的分類(lèi)性能。
D-S證據組合分類(lèi)器對獨立的信息才能進(jìn)行融合，其關(guān)鍵在于基本概率分配函數(BPA)的確定。文獻認為如果各分類(lèi)器使用不同的特征集或訓練集，則可認為不同分類(lèi)器結果之間是獨立的。因而，文中利用不同的輻射源個(gè)體特征訓練不同的成員分類(lèi)器，并進(jìn)行D-S證據理論組合，可以根據需要選擇合適的證據組合規則進(jìn)行通信輻射源類(lèi)別的判斷。
4 結束語(yǔ)
隨著(zhù)通信技術(shù)的飛速發(fā)展，通信體制和調制樣式更加復雜多樣，通信電臺的配置數量不斷增加，常規電子偵察采用的信號特征，如載波頻率、調制樣式和調制參數等在復雜多變的信號環(huán)境下，已難以滿(mǎn)足現代戰場(chǎng)的需求。通信輻射源識別主要研究體現同類(lèi)輻射源之間個(gè)體差異的信號指紋的分析提取技術(shù)。分析了通信輻射源的指紋選擇問(wèn)題，對信號指紋進(jìn)行通信輻射源的機理進(jìn)行分析，對目前通信信號的指紋識別的常用方法進(jìn)行了總結，并提出了一種基于證據理論的通信輻射源指紋識別方法。
評論